arXiv 于 2026 年 6 月 23 日发布了一篇题为《Causality-Based Parametric Control Barrier Function for Safe Multi-Vehicle Interaction》（基于因果推断的参数化控制屏障函数用于安全多车交互）的论文，编号为 arXiv:2606.25134v1，归类于机器人学（cs.RO）。该论文由 Yiwei Lyu 等三位作者完成，已被 ICRA 2026 接收，提交时间为 2026 年 6 月 23 日 20:06:30 UTC，全文约 792 KB，可通过 DOI 10.48550/arXiv.2606.25134 引用。
论文关注的是安全控制这一在自动驾驶等安全攸关场景中被广泛研究的问题。核心目标是确保自动驾驶车辆不会与其他车辆发生碰撞，而这要求系统能够准确预测周围车辆的行为并据此做出自适应反应。传统方法往往假设所有车辆完全协作且同构、使用相同的安全关键控制器，但现实中的道路参与者行为差异很大。因此，近期研究转向数据驱动的方法，试图利用观测数据来建模邻近车辆内部实际使用的控制器。
然而，作者指出既有方法存在两类明显缺陷。其一是多车交互过程中车辆之间的相互影响：一辆车的动作会改变另一辆车的决策，这种耦合使得在建模周围车辆控制器时很难厘清行为的因果来源，容易把相关性误当作因果性。其二是最坏情况分析占据主导地位：为求安全而针对最不利情形进行设计，虽然保守可靠，却往往导致自动驾驶车辆行为过度谨慎，牺牲了通行效率，在交互密集的场景中尤为明显。
针对这些问题，论文将此前提出的参数化控制屏障函数（Parametric-Control Barrier Function，简称 Parametric-CBF）框架扩展到多机器人交互场景，并在其中嵌入因果推断，从而显式地对车辆之间的相互影响进行推理。通过学习得到的“基于因果的参数化 CBF”，作者构建了一种自适应安全关键控制器，使自车能够依据学习到的对周围车辆行为的期望，安全地做出反应，而不是简单地假设对方协作或一味采用最坏情况策略。
论文进一步证明，利用多车系统之间存在的运动灵活性，可以在多种交互密集的场景中显著提升任务效率。换言之，在保证安全约束的前提下，该方法能够减少不必要的保守行为，让车辆更顺畅地完成通行任务。该工作属于机器人学中安全控制与多智能体交互的交叉方向，其思路对自动驾驶以外的多机器人系统安全控制也具有参考价值。